Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.207
Aluno: Gabriel Arnaud de Melo Fragoso
Orientadora: Profa. Teresa Bernarda Ludermir
Título: Inteligência Artificial Explicável para Detecção de Fissuras em Concreto Armado: Uma Abordagem Pós-Hoc Combinando Técnicas de XAI em Redes Neurais Convolucionais
Data: 17/07/2025
Hora/Local: 8h:30m – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Profa. Teresa Bernarda Ludermir (UFPE / Centro de Informática)
Prof. Tiago Pessoa Ferreira de Lima (IFPE / Depto. de Análise e Desenvolvimento de Sistemas)
Prof. Felipe Costa Farias (UPE / Escola Politécnica de Pernambuco)
RESUMO:
Este trabalho propõe uma abordagem inovadora para aumentar a interpretabilidade de redes neurais convolucionais (CNNs) na tarefa de detecção de fissuras em estruturas de concreto, integrando algoritmos de explicabilidade baseados em visualização, como o Grad-CAM, com técnicas de segmentação não supervisionada, a exemplo do algoritmo K-means. A metodologia emprega aprendizado por transferência com arquiteturas consagradas (VGG16, VGG19 e ResNet) alcançando acurácia superior a 99\% nos conjuntos de treinamento e teste. Foram avaliadas estratégias de explicabilidade fundamentadas tanto em perturbação do espaço de entrada quanto nos pesos internos das camadas convolucionais. Os resultados evidenciam que a combinação entre Grad-CAM e K-means aprimora não apenas a acurácia na detecção de fissuras, mas também a transparência do processo decisório, aspecto crítico para aplicações reais em monitoramento estrutural. Para mensurar objetivamente o grau de explicabilidade dos modelos, foi proposta uma nova métrica baseada na sobreposição entre as máscaras geradas pelos mapas de ativação das técnicas de explicabilidade e os segmentos resultantes da clusterização, permitindo avaliar a coerência espacial entre as regiões de interesse destacadas pelo modelo e as áreas efetivamente associadas às fissuras. Embora o desempenho da segmentação tenha sido majoritariamente satisfatório, foram identificadas limitações em imagens com alta complexidade visual. A seleção automatizada de camadas mais relevantes para análise foi validada por especialistas em engenharia civil, o que reforça a viabilidade prática da proposta. Ressalta-se o ineditismo da abordagem com foco público em explicabilidade no contexto da classificação de fissuras em concreto, com código-fonte disponibilizado abertamente no GitHub. Como continuidade, recomenda-se a incorporação de técnicas de segmentação mais robustas e a ampliação do conjunto de dados para abranger maior diversidade de padrões fissurais.
Palavras-chave: Redes Neurais Convolucionais (CNN). Inteligência Artificial Explicável (XAI). Detecção de Fissuras. Grad-CAM. K-means. Deep Learning. Engenharia Civil Assistida por Inteligência Artificial.
Comentários desativados